社会网络分析.PDFVIP

第3章 中心性、权力与瓶颈 在前一章，我们花了不少时间讨论图论的抽象概念。在这一章，我们将讨论如何进行真 实的社会网络分析。我们将以社交媒体博客站点LiveJ 的数据集为例，特别是 针对其中一群发言活跃的俄罗斯移民，尝试通过社会网络分析技术了解他们的团体状 况。 我们即将介绍的第一种社会网络分析指标称为“中心性”（centrality ）。初学者往往了 解到的是“程度中心性”（degree centrality ），而没有意识到它仅是“中心性”指标中 的一项，这些指标既可合并使用也可单独使用。本章将介绍“中心性”最为常用的四种 指标，但首先让我们看看如何获取数据。 样本数据 LiveJournal是一家在俄罗斯和东欧地区非常受欢迎的博客网站。截至目前，它已提供约 3800万篇博客，其中大多数使用英文之外的其他语言。它的底层服务器端软件使用开源 语言开发，提供简单的 接口和大量可用于数据挖掘和数据机器人的接口（http://www. API /bots/ ）。 我们将呈现一组通过“滚雪球抽样法”（可参考附录 ）采集到的数据并由此获得适合 A 进一步分析的数据集。 使用Python与NetworkX获取数据 如果你还没有安装 与 环境，请参考附录 。 Python NetworkX B 42 现在让我们首先开始使用 与 。启动 ，然后导入 库与 Python NetworkX Python NetworkX UrlLib库（不久后需要用到它）。 % python import networkx as net import urllib NetworkX以图（graph ）为基本数据结构。图既可以由程序生成，也可以来自在线数据 源，还可以从文件与数据库中读取。现在，让我们手动创建一个简单的图（见图 ）： 3-1 g=net.Graph() #创建空图 插入一条连接 的边到图中，节点将自动插入 g.add_edge(a,b) # a,b 再插入一条连接 ， 的边 g.add_edge(b,c) # b c 再插入一条连接 的边 g.add_edge(c,a) # c,a 输出一个三角形的图，如图 所示 net.draw(g) # 3-1 图3-1 ：简易图示例 你也可以将图的节点与边作为Python列表输出： 输出图 的节点值 g.nodes() # g [a,b,c] 输出图 的边值 g.edges() # g [(a, c), (a, b), (c, b)] 中心性 权力与瓶颈 、 ｜43 中的图数据结构就像 的 字典（ ）一样——一切都能循环，并根据键 NetworkX Python dict 值读取。 g.node[a] {} g.node[a][size]=1 g.node[a] {size :